Resumen:

In this talk, I will present our work on developing machine learning methods to accelerate the design and discovery of nanoporous materials, with a focus on metal-organic frameworks (MOFs). Over the past decades, the synthesis of over 100,000 MOFs has marked significant progress in this field, a number poised to grow exponentially with the advent of self-driving labs. Navigating this expansive material space for targeted applications requires robust machine learning models.
Traditional structure-based models, however, rely heavily on accurate crystal structures, which are often unavailable during the early stages of material synthesis. To address this challenge, we have developed deep learning models that leverage powder X-ray diffraction data, bridging the gap between initial synthesis and practical application. I will showcase how integrating this model into a self-driving lab can accelerate the discovery of MOFs for a wide range of applications.

Biografía:

Mohamad Moosavi comenzó su carrera en 2023 y es Profesor Asistente de Ingeniería Química y Química Aplicada en la Universidad de Toronto, además de ser Miembro Afiliado de la Facultad en el Vector Institute for Artificial Intelligence. Mohamad dirige el grupo de investigación Inteligencia Artificial para la Ciencia Química (AI4ChemS), centrado en aprovechar la inteligencia artificial y métodos computacionales para el descubrimiento de materiales avanzados. La investigación actual de su equipo se concentra en el desarrollo de MOFs (estructuras metal-orgánicas) y materiales nanoporosos para la captura y conversión de carbono, con el objetivo de contribuir al desarrollo tecnológico para un futuro sostenible. El recorrido académico de Mohamad comenzó con una licenciatura en Ingeniería Mecánica en la Universidad Tecnológica Sharif, Irán, seguida de un doctorado en Química e Ingeniería Química en la EPFL, Suiza, y un postdoctorado en Matemáticas y Ciencias de la Computación en la Universidad Libre de Berlín, Alemania.